0 引 言

傳統(tǒng)人機交互模式大多依賴鍵盤鼠標等直接接觸的設備，但這種交互方式不夠自然有效，已無法滿足人們的需求。人們迫切需要一種更自然、更符合人們生活習慣的交互方式，如語音、意念、手勢等。其中，手勢憑借自然、直觀等特點 [1] 在人機交互中得到廣泛運用，如今手勢識別已成為國內(nèi)外學者研究的重點。文獻 [2] 利用豪斯多夫（Hausdorff）距離模板匹配的思想實現(xiàn)手勢識別，將模版手勢與待識別手勢進行邊緣特征提取后變換到歐氏空間距離，其最短距離即對應的模版手勢。文獻 [3] 基于 SVM 構造多類分類器的手勢識別，對手勢分別進行一對一、一對多的數(shù)據(jù)分類，SVM算法是在樣本空間或特征空間構造出最優(yōu)超平面 [3]，使超平面與樣本數(shù)集合之間的距離最大。文獻 [4] 采用 Kinect 傳感器對手勢圖像進行獲取，采用動態(tài)時間規(guī)整（Dynamic TimeWarping，DTW）的方法將不對齊的兩個序列在某一時刻點進行壓縮，實現(xiàn)兩個點歐氏空間距離最小。文獻 [5] 利用 BP算法訓練多層前饋網(wǎng)絡。

分析上述文獻，發(fā)現(xiàn)以下問題 ： 

（1）模版匹配的方法無法解決時間可變性問題，識別精度低 ；

（2）基于 SVM 算法對大規(guī)模樣本訓練集的訓練時間較長，難以運用在實際問題中 ； 

（3）DTW 存在時間規(guī)整引入誤差的問題，降低了識別精度 ；

（4）采用傳統(tǒng)人工神經(jīng)網(wǎng)絡結構需要人工對參數(shù)進行提取。

針對以上問題，本文采用卷積神經(jīng)網(wǎng)絡算法對采集的手勢進行識別。

市面上有兩種深度視覺傳感器 ：一種是 Kinect 傳感器，側重于識別人體骨骼，也能識別人臉與人手，但識別人手的精度不高 ；另一種是 Leap Motion 傳感器，能夠采集人體手部的關鍵點信息，故能更好地應用在手勢識別中。

1 Leap Motion 手勢數(shù)據(jù)采集

Leap Motion 是一種采用立體視覺原理的傳感器，內(nèi)部配備雙攝像頭，如同人眼從不同角度捕捉畫面。骨骼追蹤模型如圖 1 所示，此模型在視野不清晰時能夠預測手指與手的位置，即使手指交叉也可被 Leap Motion 追蹤。當 LeapMotion 檢測到手或桿狀物體時，系統(tǒng)會給 Frame 里的每一個Hand 分配一個唯一的 ID 標識符。Leap Motion 能夠?qū)κ植?/span>信息進行描述，并在 Hand ：：pointable（）函數(shù)里提供指尖、關節(jié)點等的位置以及手掌的方向向量、法向量信息 [6]，最后將 Leap Motion 采集到的人體手勢數(shù)據(jù)通過 USB 接口傳輸給PC 端。

2 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）是一種前饋神經(jīng)網(wǎng)絡，其神經(jīng)元可響應一部分覆蓋范圍內(nèi)的周圍單元，對于大規(guī)模模式識別有著非常好的泛化能力。CNN 還是一個分類器，是一種具有監(jiān)督功能的機器學習工具，與傳統(tǒng)神經(jīng)網(wǎng)絡相比，避免了對圖像進行復雜的前期預處理，可直接將原始圖像輸入模型，圖像經(jīng)過卷積層、池化層、全局平均池化層，最后輸出分類圖像結果。CNN 主要用來識別位移、縮放及其他形式扭曲不變性的二維圖像。 CNN 同一特征平面映射面上的神經(jīng)元權值相同，所以局部權值共享的特殊結構在圖像識別方面有著獨特的優(yōu)越性。

2.1 卷積神經(jīng)網(wǎng)絡結構

卷積層的作用是對局部進行感知，在原始圖像的一個小區(qū)域上進行特征提取，池化層的作用是將卷積層輸出的特征面繼續(xù)進行特征化。本文選用最大值池化法（Max Pooling），可保留區(qū)域矩陣塊中的最大數(shù)值，忽略其他值，并能提高模型的魯棒性。全局平均池化層的作用是經(jīng)過若干卷積池化后將所有特征全連接起來組成一個特征向量，這個特征向量更能表達原始圖像 ；Filter（過濾器）的作用是將輸入的圖像劃分為多個區(qū)域，同時 Filter 在映射圖像中的參數(shù)共享，且相互獨立 ；激活函數(shù)的作用是使整個網(wǎng)絡呈現(xiàn)出非線性。本文采用線性整流函數(shù)（Rectified Linear Unit，ReLU），ReLU 函數(shù)可將神經(jīng)元的一部分輸出為 0，減少參數(shù)之間的關系，有效緩解過擬合情況的發(fā)生。卷積神經(jīng)網(wǎng)絡結構如圖 2 所示，輸入層為 32×32 通道為 3 的圖像。Filter 尺寸為 5×5，深度為 3。但在實際計算中，存在無法將原始圖像邊界點利用起來的情況，針對此問題可根據(jù)實際情況設定補零的層數(shù)（ZeroPadding）。

2.2 卷積層與池化層

在卷積層中，將第一層的特征圖與卷積核進行卷積，然后通過激活函數(shù)得出卷積層的特征圖，其公式如下 ：

式 中：i 表示網(wǎng)絡層數(shù)；j 表示特征圖個數(shù)；f （*） 表 示激活函數(shù)；k 表示卷積核；mj 表示輸入特征圖；b 表示偏置項。

在池化層中，神經(jīng)元 x 的計算公式如下 ：

式中 n 表示從上一層到池化層的窗口大小。池化是對該層輸入 n×n 大小的矩陣區(qū)域加權求和，因此輸出圖像的大小是原來輸入圖像大小的 1 ? n[8]。

3 實驗結果與分析

為了驗證 CNN 算法在手勢識別上具有較好的準確性，確保 Leap Motion 能夠采集到每一個手勢，實驗者需在距離Leap Motion 傳感器正上方 100 mm 處采集 6 種手勢。手勢類別如圖 3 所示，6 個手勢分別代表 1，2，3，4，5，6 這六個數(shù)字，每種手勢采集 200 個樣本，樣本均為 112×112 的手勢像素矩陣，訓練集和測試集各為 1 200 個。訓練前對樣本進行灰度處理，如圖 4 所示。

實驗結果見表 1 所列。手勢 5 的正確率達 96.5%，且識別時間較短 ；但手勢 4 的正確率只有 86%，響應時間較長。由于訓練所用樣本較少，導致復雜手勢識別較低，因此可增加訓練樣本數(shù)量，提高手勢識別的準確性。

4 結 語

本文設計了 6 層卷積神經(jīng)網(wǎng)絡用于手勢識別，與其他神經(jīng)網(wǎng)絡相比，由于加入了權重共享原則，因此能夠降低參數(shù)數(shù)目。理論上設計神經(jīng)網(wǎng)絡層數(shù)越多、節(jié)點越多，在訓練模型上的效果就越好，甚至會達到 100% 的預測精度。但隨之帶來的是模型過擬合，將模型放在測試數(shù)據(jù)上，預測效果嚴重降低。殘差神經(jīng)網(wǎng)絡是解決此類問題的方法之一，也是未來深度神經(jīng)網(wǎng)絡算法的又一研究方向。